企业官网建设流程全解析

做综合能源系统规划方向的朋友，看到“计及P2G厂站的电-气综合能源系统规划研究”这个题目，八成都不陌生。这几年可再生能源占比一路走高，电力系统和天然气系统的耦合程度越来越深，P2G（Power to Gas，电转气）就是其中最关键的一根连接轴线——电能富余时把它转成天然气存起来，缺电时气又能反过来发电。这个题目要解决的，说白了就是两件事：P2G厂站建在哪、建多大，以及建成之后系统在整个规划周期内怎么经济运行，最后落到Matlab里把数学模型搭起来、求出一组最优方案。

这篇博文我会完全按硕士论文复现的实战视角来拆：项目底层逻辑、数学模型怎么建、代码怎么组织、数据怎么准备、结果怎么分析，以及我复现过程中踩过的几个大坑。适合正在做电-气综合能源系统规划课题的研究生，也适合想快速上手一套完整综合能源算例的工程师。你不需要开跑前就什么都懂，跟着思路走一遍，基本就能摸清这套东西的套路。

1. 这类题目到底在解决什么问题

1.1 P2G在电-气耦合里的角色

先把这个概念掰开。P2G不是单一设备，而是一条能量转换链——先用电力电解水制氢，再把氢和二氧化碳发生甲烷化反应合成天然气，也可以直接产出氢气供氢能市场。放在电-气综合能源系统里，它的价值主要体现在三个层面。

第一是消纳可再生能源。风电光伏大发时段往往也是用电低谷，电网送不出去、储能又装不够，弃风弃光是老难题。P2G可以像一个“弹性负荷”，把多余电能吃进去变成天然气，相当于把电力系统的电量搬到了天然气系统的能量账户上。

第二是跨系统调峰。天然气系统本身有储气库、管网管存，调节能力和储电不是一个量级。电转气之后，天然气系统相当于给电力系统提供了一个大容量、长时间尺度的储能后援。

第三是降低系统总成本。这个要说透：如果不建P2G，风电大发时只能压出力，系统要拿更多火电去顶负荷曲线，燃料成本和碳排放都高。建了P2G，一部分火电/气电出力可以被风电替代，虽然多了一笔投资成本，但运行成本往往能压下来。这笔账能不能算得过来，正是规划模型要回答的核心问题。

所以这个题目本质上是在做“P2G厂站投资决策 + 电-气联合运行优化”的两层决策，属于典型的能力规划问题。它不是单纯做电力系统规划，也不是单纯做天然气系统规划，而是把两者通过P2G厂站耦合在一起，统一优化。

1.2 规划模型和运行模型的区别与衔接

这里很多新手容易混淆。单纯做“运行优化”，是在设备已经建好的前提下，给定负荷和来水来风数据，求48小时或8760小时内的最优调度策略，决策变量是各机组出力、气源供气量、P2G运行功率这些短期量。而“规划优化”除了运行决策，还要回答厂站容量、选址、投资方案的问题。

注意，规划里的运行决策不能凭空拍脑袋，必须嵌到规划模型里联合优化。因为规划目标（总成本最小）既包含一次性投资，也包含后续多年运行成本。如果只比一次性投资，不看运行成本，那结论一定跑偏——很可能选了个便宜但效率低、后期运营费高的方案。

具体到模型结构，一般写成这样：

• 外层决策：P2G厂站选址（0-1变量）、定容（连续变量），决定系统拓扑结构；
• 内层决策：典型日/典型场景下的机组出力、气源产气量、P2G转换功率、储能充放功率等运行变量，模拟规划后的系统实际运行情况；
• 目标函数：投资成本（等年值化）+ 运行成本（多场景按权重加权）。

两层是同步求解的，不是先求外层再求内层。Matlab里通常把0-1选址变量和运行变量一起交给求解器（Gurobi/Cplex），用MILP一次性解出来。这也是为什么这类题目看起来很复杂，但落到代码层面其实是一个大优化问题，关键是把约束写对、把数据喂对。

2. 数学模型的核心设计

2.1 目标函数：从一次性投资到全周期运行的一盘账

目标函数是规划模型的“主心骨”。硕士论文里普遍采用总成本最小化，形式上大概是：

min C_total = C_invest + C_oper

C_invest是P2G厂站的建设投资成本。通常假设投资成本与容量线性相关，也有文献用非线性投资成本函数，即单位容量投资随规模增大而递减，这时需要用分段线性化处理。我最开始就直接用的线性成本，简单稳定，跑通以后再做成非线性对照分析。

注意投资成本不能直接等同于当年现金流。规划和运行处在不同时间尺度，把一次性的建设投资分摊到每一年，要用等年值法折算，公式是这样的：

C_annual = C_invest_total × r(1+r)^n / [(1+r)^n - 1]

其中r是贴现率，一般取0.08左右，n是规划期年数，通常取20年。这步处理不好，投资和运行成本之间权重就失衡——投资成本看起来很大很吓人，或者反过来被低估，导致模型偏向某一方案。

C_oper是运行成本，包括：

• 火电/气电机组的燃料成本，一般取二次函数或分段线性函数；
• 从主网购电的成本，按峰谷分时电价或固定上网电价计算；
• 气源购气成本；
• P2G运行维护成本，按产气量或运行功率的百分比计；
• 弃风弃光惩罚成本（可选，但建议加，否则模型可能不关心新能源消纳）。

这里有个细节：部分论文还会加碳交易成本或碳排放惩罚，把P2G的低碳价值显性化。如果导师课题跟双碳相关，可以在一级目标函数里加一个碳排放项，或者作为约束限制总碳排放量，效果更丰富。

2.2 电网约束、气网约束与P2G耦合约束

中间要处理的约束分三大块。

电力系统约束相对成熟。节点功率平衡是基操，每个节点的注入功率等于是负荷加网损（若计及），线性直流潮流用来表达支路潮流——P_ij = B_ij × (θ_i - θ_j)。规划场景下直接用直流潮流是主流选择，误差在可接受范围内，而且线性性质对MILP求解极其友好。机组出力上下限、爬坡约束（相邻时段出力变化量）、线路传输容量限制这些按常规电力系统调度约束写就行。

如果你用的算例规模是IEEE 6节点或IEEE 30节点，直流潮流的精度足够了。非要上交流潮流做高保真度，也不是不行，但你的模型会从MILP变成MINLP，求解难度剧增，资金回收周期和论文工作量都hold不住。这个取舍要明确跟导师确认好。

天然气系统约束是另一个滋味。节点流量平衡：每个节点的注入气量等于气负荷加上流出管道的流量。气源产气有上限，储气罐/管存有容量约束。最棘手的是管道流量方程——稳态天然气管道中流量与两端气压差成非线性关系，通常采用Weymouth方程：

f_ij = sign(π_i - π_j) × C_ij × sqrt(|π_i² - π_j²|)

这个带开方和绝对值符号的约束是非凸的，直接丢给求解器，MILP没法处理。做法主要有三条路：

• 分段线性化：把π_i²作为辅助变量，对sqrt函数做分段线性逼近，引入0-1变量表达符号，把非凸约束转换成混合整数线性约束。精度由段数决定，段数越多越精确，但求解规模也更大。经验上取3-5段足够出复试结论。
• 二阶锥松弛：把Weymouth方程松弛为不等式，处理成SOCP约束。用Yalmip加求解器如Mosek或Gurobi 9+可解。这个精度高，但解释起来稍显复杂。
• 直接简化：忽略气网约束或假设气网足够充裕，只把P2G看作电负荷。这个只能算“弱耦合”简化版，不太够看。

P2G耦合约束是全局点睛处。P2G本质是个能量转换器，输入电功率P_p2g，输出天然气流量f_p2g，二者通过转换效率η联立：

f_p2g = η × P_p2g × α

这里的α是单位换算系数。电功率单位是MW（即MWh/h），天然气流量常用m³/h或kW。换算要用到天然气热值，标准天然气热值大约9.7 kWh/m³（35.6 MJ/m³），所以1 MWh电能理论上对应约103 m³天然气（按100%效率）。实际P2G全流程效率（电解+甲烷化）大致在40%-70%，保守取0.55左右比较常见。

同时P2G容量决定了它的输入电功率上限：0 ≤ P_p2g ≤ Q_p2g_cap。若考虑选址，Q_p2g_cap = Σ Q_i × x_i，其中x_i是候选点的0-1选址变量，Q_i是候选容量档位。

这三大块约束通过P2G耦合变量串起来，就是完整的“电-气综合能源系统规划模型”。

2.3 求解方法：为什么是MILP而不是牛顿法

这里我多提一嘴。有的教程喜欢用Matlab自带的fmincon或牛顿法直接求非线性规划，理由是“不用搞线性化，直接解原始模型”。听起来省事，但实际体验相当崩溃。

非线性规划求到的解大概率是局部最优，而且含0-1变量的混合整数非线性规划（MINLP）在没有全局求解器的情况下，几乎没法保证收敛质量。硕士论文审稿老师最看重的就是“解的全局最优性”和“结果的可靠性”，MILP模型只要给够求解时间，商业求解器提供的是有最优性间隙（MIPGap）保证的解，这个说服力完全不一样。

所以我的建议是：所有非线性环节能做线性化就线性化，或者做松弛。把整个问题写成MILP，然后调用Gurobi或Cplex求解，路线最稳。Gurobi在Yalmip里几乎零配置，对学术免费，论文复现完全够用。

3. Matlab代码实现路线

3.1 程序整体架构与数据准备

我复现这套代码时，按照计算流程把程序拆成了几大块，这里直接分享这个组织方式，容易复用：

• main.m：主脚本，定义算例参数、调用建模函数、求解、输出结果；
• data/：存放电网/气网拓扑参数、负荷曲线、风电出力数据、候选P2G参数；
• build_model.m：定义决策变量、目标函数、约束条件，返回YALMIP的约束集合和目标；
• solve_model.m：调用求解器，处理求解设置，检查求解状态；
• plot_results.m：把结果绘制成图，输出关键指标表格。

数据准备是重头戏。电网参数我建议直接用MATPOWER里的现成算例，比如case6ww、case9或者case30，节点负荷和线路参数都现成的，省得自己编容易出错。天然气系统参数没有这么好的开源包，一般做法是自己构造一个小型气网，比如7节点、9节点，设好气源、气负荷、管道的C_ij常数。

负荷和风光时序数据是另一个大头。我最初的错误是直接拉出8760小时数据丢进模型，结果变量数量爆炸，求解器跑到天荒地老也没出最优解。后来改成典型日/典型场景法：先用K-means或层次聚类把全年8760小时做场景削减，抽出几个典型日，每个典型日24小时连续建模，对应权重就是这个场景的天数占比。

比如聚成4个季节典型日，每个典型日24小时，场景总时段只有96小时，规模直接降了两个数量级。这在硕士论文里也是标准操作，而且聚类的过程本身还能写到论文里当一种“场景生成”章节，一举两得。

3.2 变量定义与约束组装

建模我强烈建议用Yalmip工具箱，它比手写矩阵约束直观太多。Yalmip下变量定义极其简洁：

%% 决策变量定义 P2G_cap = sdpvar(n_candidate, 1); % P2G候选容量 (MW) x_p2g = binvar(n_candidate, 1); % P2G选址0-1变量 p_p2g = sdpvar(n_scene, n_hour); % P2G输入电功率 (MW) f_p2g = sdpvar(n_scene, n_hour); % P2G产出天然气流量 (m^3/h) p_g = sdpvar(n_gen, n_scene, n_hour); % 常规机组出力 (MW) theta = sdpvar(n_bus, n_scene, n_hour); % 电压相角 f_gas = sdpvar(n_gas_pipe, n_scene, n_hour); % 气网管道流量 pi_gas = sdpvar(n_gas_bus, n_scene, n_hour); % 气网节点气压

约束组装用循环或矩阵批量加进去。这里有个减少冗余操作的技巧：对每个场景、每个时段的约束，不用写三层for循环，能矩阵化的尽量矩阵化。例如机组出力上下限，直接写成repmat(p_min,[1 n_scene n_hour]) <= p_g <= repmat(p_max,[1 n_scene n_hour])，运行速度快很多。

P2G耦合约束的写法值得单独贴一段，这是最容易写错的地方：

%% P2G耦合约束：电功率输入与天然气产出 eta_p2g = 0.55; % P2G全流程效率 alpha_conv = 103; % 单位换算系数, 1MW->103 m^3/h (热值9.7kWh/m^3) C = [p_p2g(:) <= P2G_cap * x_p2g, ... % 容量约束 P2G_cap <= p2g_cap_max * x_p2g, ... % 容量上限与选址联动 f_p2g(:) == eta_p2g * alpha_conv * p_p2g(:), ... % 转换关系 0 <= p_p2g(:), 0 <= f_p2g(:)];

最后调用求解器：

options = sdpsettings('solver', 'gurobi', 'verbose', 2, ... 'gurobi.MIPGap', 0.01, ... 'gurobi.TimeLimit', 7200); result = optimize(C, objective, options);

optimize返回后检查result.problem，为0表示求解成功，非0需要排查（后面常见问题里细说）。

3.3 结果绘图与方案对比

求解完只是第一步，结果分析和可视化是论文的核心支撑。我常用的图有以下几类：

• 规划方案图：P2G厂站位置、容量柱状图，和电网/气网拓扑叠在一起，直接表达“建在哪、建多大”；
• 典型日运行曲线图：风电出力、P2G输入功率、燃气轮机出力、气源供气量这四类曲线的时序图，选一个典型日来画，最能说明P2G在消纳风电过程中实际起到的调峰作用；
• 成本构成堆积柱状图：投资成本、购电成本、购气成本、机组燃料成本各占多少，不同规划方案之间横向对比；
• 灵敏度分析曲线：把P2G单位投资成本从高到低扫一圈，看最优容量怎么变、总成本怎么变，这条曲线是论文的加分项。

画图就用Matlab自带的plot、bar、stairs就行，最好统一一个fig风格函数，把字体、线宽、网格统一设置好，看起来专业。图表标题注意标注坐标轴单位和图例，研究生论文评审对图表规范很敏感。

4. 案例设计与结果分析

4.1 典型算例怎么搭：从IEEE节点到气网耦合

算例设计直接决定论文的说服力。建议用中等规模的耦合系统，最经典的组合是IEEE 6节点电力系统耦合7节点天然气系统，或者IEEE 30节点耦合20节点气网。前者规模小，适合快速调通整个技术路线；后者规模大，适合做完整性能对比。

耦合方式要仔细设计。一般选择电力系统的几个关键节点接P2G厂站，输出管道连接天然气系统的某个负荷节点（或者直接连接天然气网的高压节点）。每个候选P2G点设一组可选容量，比如10MW、20MW、30MW三档，或者是连续容量加0-1选址变量。候选点放3个左右，太多会显著增加组合爆炸风险，太少又体现不了“规划”意义。

场景数据这块，我建议采用“典型日+比例调整”的方式生成风电出力曲线。比如取春季、夏季、冬季三个典型日，风电出力形态不同，负荷形态不同，再乘上不同场景权重。这样模型能看到系统在不同季节运行条件下的表现，比单一24小时曲线完整得多。

4.2 结果怎么看：成本构成、P2G容量占比与风电消纳提升

求解完成之后，先别急着抄数据，要有分析逻辑。我的处理顺序是这样：

先看总成本构成。把投资成本、运行成本、各机组燃料成本、购电成本分开列一张表，计算P2G投资占总成本比重。如果P2G投资占比明显偏高（比如超过15%-20%），一般来说容量配置偏激进，可以调低P2G单位投资成本或者提高弃风惩罚成本再观察。

再看P2G容量与风电容量的比值。理想情况下，P2G容量应该与风电装机和系统调峰缺口匹配。如果得出P2G容量几乎等于风电装机一半以上，你要检查是不是弃风惩罚设得太高或者气价太低，导致模型过度偏好电转气。

最关键的是做有无P2G的对比。分别跑一次“无P2G”基准场景和“含P2G”规划场景，对比三项指标：总成本、可再生能源消纳率、系统碳排放量。这组对比数据才是课题的“灵魂”，论文里直接放一张对比表就能说明P2G的价值。

如果涉及多场景，比如不同碳交易价格、不同天然气价格、不同风光渗透率，可以做一组灵敏度分析曲线，看P2G最优容量随这些参数的变化趋势。这条线下来，论文的工作量就饱满多了。

5. 常见问题与排查技巧实录

5.1 典型报错与排查思路

我复现这套代码时遇到过不少“经典问题”，多数有规律可循，直接列成速查表，供各位对照排查。

5.2 数值调参与细节避坑

再分享几个我踩过的深坑，虽然不在报错信息里显性出现，但直接决定了结果的合理性。

第一，单位统一是最容易翻车的地方。电力系统侧是MW和MWh，天然气系统侧是m³/h和MWh，综合能源的“综合”二字坑就坑在这里。我的做法是建模前先写一个单位换算表放在脚本头部，每个数据源头检查一遍，尤其是P2G效率作用的地方。

第二，新能源出力数据要合理。波形太平滑或者全部峰值，都会导致P2G容量结果失真。我用的是基于实测风速的光伏风电出力曲线，然后按典型日聚类，比人为拍脑袋造数据可靠得多。

第三，MIPGap不要一上来就设0。先设0.01跑通，验证各项约束逻辑不错，再可以改成0.005或0.001收紧。上来就怼着0%跑，小算例能出，中等规模容易跑到超时。

第四，储能要不要加？如果题目没要求，建议不加，模型已经够复杂了。加了储能变量，模型规模显著膨胀，而且储能和P2G在消纳风电上功能部分重叠，结果解读要小心。

我复现这套东西最深的感受是：这类综合能源规划题目看着门槛高，其实核心就三关——场景削减、模型线性化、单位换算。这三关跨过去，Matlab代码只是时间问题。如果答辩被问到“为什么用MILP”，你要能答出全局最优性、商业求解器成熟度、可解释性这三条。被问到“线性化误差怎么控制”，就谈分段段数与二阶锥对比。技术路线立得住，结果呈现丰富，这篇论文复现工作就稳了。